Sémantické porozumění konverzaci

Abstract

Tato diplomová práce se zaměřuje na nalezení nejlepšího algoritmu pro sémantické porozumění přirozených konverzací. Výsledný algoritmus lze použít například u chatbotů. Součástí práce je dataset, který vznikl pro potřeby chatovací aplikace Alquist a který byl vytvořen na základě skutečných konverzací. Práce prozkoumává sekvenční algoritmy strojového učení pro rozpoznávání intentu a určování entit. Výsledkem práce je detailní porovnání přesnosti, požadavků na paměť a rychlosti konvergence vybraných algoritmů. Na základě porovnání algoritmů je v práci navrhnut nový model, který se zakládá na propojení rozpoznávání intentu a určování jmenných entit.

This master's thesis aims to find the best algorithm for semantic understanding of natural dialogs. The result can be used in a conversation AI. A part of the thesis is also a dataset, based on needs for a chatbot application Alquist and which was based on real conversations. The thesis also identifies and examines sequential machine learning algorithms for intent and entity recognition. The result of the thesis is a detailed comparison of the selected algorithms regarding accuracy, memory requirements and computational complexity. Based on the results, a new model which joins intent and entity recognition together is created.